你真的懂得大数据吗
我们总能听到大数据这个词,但是你真的了解大数据吗?也许有人会回答“是”,但是真正能够做到了解的人却屈指可数。大数据究竟有哪些深奥的东西令人难以理解呢?
大数据之所以深奥难懂,唯一一点是因为:我们作为一个技术群体,并没有完全准备好去利用和管理大数据。也许你会说:“我们准备好了。”但事实上我们没有,原因如下:世界上百分之九十的数据都是在过去的两年里产生的,这使我们有些措手不及。每天都有大量的新数据从社交网站、工业传感器、卫星、手机、照片、文件以及其它地方产生。我们的数据以每天多于250兆字节的速度增长,或者说是多于20亿千兆字节。这些数据必须有地方可以储存,哪怕只是暂时储存,然后再从数据库和应用中发送出去以供分析。由于积累了太多的新数据,以至于对这些数据的存储、管理、以及分析的工作量是极大的。这就是我们很少有人真正了解大数据的原因。
这些海量数据使得我们能听到很多关于大数据的内容,而要弄明白它却很难。正如我之前所说,数据同我们的存储、搜索、分析、组织、归档和筛选能力息息相关,而其现在的情形是我们所不能完全掌控的。
我们都知道数据是如何产生的,也大体知道我们创造某些数据的原因以及要如何处理这些数据,但我们所不知道的是如何处理如此大量的数据。
事实上,我们甚至不确定如何去处理产生于大数据的元数据(metadata)。
在这里说明一下,你最近可能听说过很多关于元数据的事情,是关于美国国家安全局(NSA)所获取和分析的私人数据的。元数据就是有关数据的数据,这是个有点奇怪的概念。简单来说,元数据是对你的数据的一种描述,你可能还没意识到,你每时每刻都在使用元数据。比如,当你拍了一张数码照片时,元数据描述的就是关于这张照片的尺寸、拍摄日期、存储位置、文件大小、像素等内容。
其他类型的元数据还有:
创建该数据的方式
该数据的目的
创建日期和时间
该数据的创建者
该数据在一个计算机网络里的创建位置
所使用的标准
如果要检查一张图片的元数据,你只需右键单击该图片文件,选择“属性”,然后再选择“详细”选项卡。
你可以看到,元数据虽然不是数据本身,却也占用存储空间,它是有关数据的数据。所以我们可以把大数据和大元数据放在一起来谈。当你认识到有比数据本身更多的数据存在之后,你应该就能对我们的数据高速增长的原因有更为深刻的理解了。
需要指出的是,元数据不是大数据庞大的原因,而只是使大数据变得更大。
在了解了数据和元数据之后,我们可以研究大数据究竟是什么了。
大数据就是大量的数据,它是比我们以往所处理的数据还要多的数据,并且来源也更为广泛,它包含元数据。它多到难以想象、难以存储、难以分析,这也是大数据的主要问题所在。
你仍然会有疑问:是什么让大数据难以理解?
正如我前面所说,我们从不同的数据源创建数据:手机、卫星、电子传感器、文本信息、日志文件等等。来源如此之广的数据是非常复杂的。
更深一层解释,如果你的全部数据都是图片,那么你的数据就很简单。当你拥有不同种类的数据以及不同的数据源时,你的数据的复杂程度就增加了。假如你经营着一家物流公司,比如UPS快递,那么你就会有来自很多不同数据源的数据。我们仅从其中三点来看数据的复杂程度:雇员、货车和包裹。当然,他们实际上的数据远远复杂得多,我们只是选出比较典型的来举例。
货车的数据包括货车位置(GPS定位),燃油消耗量,维修记录,购买价格,保险记录,送货量,司机姓名等等。现在考虑一下每个领域所涉及的所有不同的数据点(data
points)。维修记录又包含着油量变化、轮胎、蓄电池、每个单独的可换零件、损坏、里程以及更多的内容。再用这些数据点乘以UPS现在所管理的数以万计的货车数量——96394辆。
再加上你能想象得到的所有雇员信息,包括货车司机、装卸工、维修人员、雇员的医疗记录、空车定位、设备定位、统一定位以及其它有关雇员的数据点,一共有397100名雇员。
还要加上第三个数据源的信息:包裹重量、原产地、保险、目的地、运输方式、尺寸、收货信息,以及出发地和目的地之间的中转地,每天有1630万包裹。
你可以看到数据点是如何随着UPS处理的数据量的增加而迅速增加的。UPS收集了很多有趣的不同数据点,那张单子上的统计数据并不是原始数据,而是经过分析之后的数据。那么可以想象数据库服务器的数量、存储量以及为生成那页单子而要耗费的精力有多少。
这就是大数据。你必须收集、存储、分析、组织、筛选和利用数据。就是从收集到筛选和利用的这个过程,是大数据不被人们所熟知的东西。大数据是复杂且难以管理的。
我们对大数据欠缺了解的地方正是对其的管理部分。只有极少数人知道如何管理如此庞大而复杂的数据。大部分企业已发展起了自己的拼凑解决方案,即通常每个部门试着用不同的形式管理自己的数据。其结果就是,不仅这些企业拥有大量的不同数据,而且数据用不同的数据技术存储在不同的位置,大数据变成了大混乱。
现在你应该对大数据的内涵、出处、庞大的原因以及所存在的问题有了更好的理解。
为什么你认为大数据难以理解,或者为什么你认为它好理解?你可以将你的看法通过留言评论回复给我们。
说明一下,我用UPS快递举例是因为我知道UPS能产生大量的数据,目前它管理着超过16万兆字节的数据量。
数据分析咨询请扫描二维码
在现代信息技术的广阔世界中,大数据架构师扮演着至关重要的角色。他们不仅引领着企业的数据战略,还通过技术创新推动业务的不断 ...
2024-11-04在当今数字化时代,数据分析师已成为企业关键角色,帮助决策者通过数据驱动的洞察实现业务目标。成为一名成功的数据分析师,需要 ...
2024-11-03在当今数字化的世界中,数据分析已经成为推动商业决策的关键因素。随着公司和组织越来越依赖数据来驱动业务战略,对数据分析专 ...
2024-11-03《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28